Resumen

La detección y clasificación de vehículos son muy importantes para el análisis del comportamiento de los vehículos en sistemas de transporte inteligente, computación urbana, etc. En este documento, se ha aplicado un enfoque basado en redes neuronales convolucionales (CNN) para la clasificación de vehículos. Con el fin de lograr una clasificación más precisa, eliminamos el fondo no relacionado tanto como fuera posible basándonos en un modelo de detección de objetos entrenado. Además, se ha introducido un enfoque de preentrenamiento no supervisado para inicializar mejor los parámetros de las CNN y mejorar el rendimiento de la clasificación. A través de la mejora de datos en imágenes etiquetadas manualmente, obtuvimos 2000 imágenes etiquetadas en cada categoría de motocicleta, transporte, pasajero y otros, con 1400 muestras para entrenamiento y 600 muestras para pruebas. Luego, obtuvimos 17395 imágenes no etiquetadas para el preentrenamiento no supervisado de capas convolucionales por capas. Se obtuvo una precisión notable del 93.

• Materias:Comprensión de imágenes Inteligencia artificial Detección de manipulaciones Visión artificial Imágenes espaciales
• Subjects:Image understanding Artificial intelligence Manipulation detection Artificial vision Spatial imaging
• Palabras claves:Vehículo; Clasificación; Redes neuronales convolucionales; CNNs; Detección de objetos; Preentrenamiento no supervisado
• Keywords:Vehicle; Classification; Convolutional neural networks; CNNs; Object detection; Unsupervised pretraining